Arti metrik evaluasi di Tensorflow

Saya cukup banyak pemula di Tensorflow dan cukup ikuti tutorial. Tidak ada masalah dengan kode saya, tapi saya punya pertanyaan tentang output

accuracy: 0.95614034
accuracy_baseline: 0.6666666
auc: 0.97714674
auc_precision_recall: 0.97176754
average_loss: 0.23083039
global_step: 760
label/mean: 0.33333334
loss: 6.578666
prediction/mean: 0.3428335

Saya ingin tahu apa yang dilambangkan "prediksi / maksud" dan "label / maksud"?

Semua ini bisa menjadi masalah khusus (kecuali mungkin akurasi). Sebagian besar didokumentasikan di sini :

• akurasi: Persentase jumlah klasifikasi yang benar
• akurasi_baseline: Garis dasar akurasi berdasarkan label artinya. Ini adalah yang terbaik yang bisa dilakukan model dengan selalu memprediksi satu kelas. ( sumber )
• AUC atau Area Under the (ROC) Curve cukup rumit, tetapi memberi tahu Anda sesuatu tentang tingkat positif benar / salah. Singkatnya: AUC sama dengan probabilitas bahwa penggolong akan memberi peringkat contoh positif yang dipilih secara acak lebih tinggi daripada yang negatif yang dipilih secara acak.
• auc_precision_recall: Adalah persentase dari benda yang relevan, di antara instance yang diambil, yang telah diambil dari jumlah total instance yang relevan.
• average_loss: Anda biasanya meminimalkan beberapa fungsi, dan ini kemungkinan nilai rata-rata dari fungsi itu diberikan batch saat ini.
• loss: Nilai saat ini dari loss (seperti di atas). Baik jumlah kerugian, atau hilangnya batch terakhir.
• global_step: Jumlah iterasi.
• label / mean dan prediksi / mean: Tidak benar-benar yakin, tetapi saya menduga bahwa jika Anda memiliki dua kelas maka label / rata-rata adalah nilai rata-rata dari label nilai, sedangkan prediksi / rata-rata bisa menjadi nilai dari prediksi yang sesuai. (dua kelas bisa memberi Anda nilai antara 0 dan 1)